无人驾驶汽车在露天矿区复杂环境下遭遇落石、水坑、行人等障碍物有着极大的安全隐患，易导致车辆侧翻、陷车、造成财物损失的风险或者对人员生命安全构成威胁，因此，露天矿道路上复杂多变的地形环境作为矿山智能化中露天矿无人驾驶车辆的重要解决问题，需要测出车前障碍物的深度的同时保障对障碍物检测的精度和速度。本文提出的Feffol网络模型在特征提取阶段选取Efficient-v2做为骨干网络结构进行特征提取，选取基于带有SppCSP结构的Ebifpn特征金字塔模块在提高特征感受野的同时也增强了不同尺寸的特征信息、使用Focal Loss和CIoU Loss损失函数来平衡正负样本并解决预测框和真实检测框没有交集时方法失效的问题。针对现阶段关于露天矿障碍物检测多数处于二维阶段，仅能对目标障碍物进行识别，缺少对障碍物的深度信息的测量，对前方障碍物无法做出正确决策的问题；本文基于双目相机，以双目视觉深度检测的方法对无人车提供车前障碍物的深度数据支持。试验结果表明：Feffol的检测精度为90.09%map，检测速度为9.76it/s，对比其他主流型网络，Feffol能再进一步提高了监测精度的同时，监测速度也可以满足露天矿区无人驾驶矿区道路障碍物检测的避障数据决策需求，同时对车前障碍物的深度获取，使图像识别在露天矿山的应用更加具有可行性，为露天矿无人驾驶车辆的安全行驶提供了重要依据。

引言
1. 深度检测模型
1.1 障碍物检测模型构建
2. 模型策略优化
2.1 特征提取模块优化设计
2.2 损失函数优化设计
2.3 检测模型学习率优化
3. 实验与结果分析
3.1 实验平台搭建及数据准备
3.2 障碍检测模型有效性分析
3.3 障碍检测模型消融实验分析
3.4 障碍检测模型性能分析
4. 总结